基于深度学习的超分辨率重建算法改进.PDFVIP

第27卷 第6期 电子设计工程 2019年3月 Vol.27 No.6 ElectronicDesignEngineering Mar.2019 基于深度学习的超分辨率重建算法改进 高飞，雷涛 （中国科学院光电技术研究所，四川成都601209） 摘要：近年来，深度卷积网络在单幅图像超分辨问题上取得了非常好的效果，然而，由于超分辨问 题的病态性，自低分辨率的图像复原得到高分辨率图像的算法仍然有很大的改进空间。为了进一 步提高单幅图像超分辨率重建的精度，主要做了以下两个方面的工作：首先将增强预测的方法和 SRCNN网络结合，在Set5数据集上的平均峰值信噪比较原始的SRCNN方法提升了大约0.3dB；其 次，将FSRCNN网络第一个5*5的卷积层改为两个3*3的卷积层，提高了网络的非线性，在Set5数据 集上相对于FSRCNN模型平均峰值信噪比提升了大约0.3dB。 关键词：深度学习；卷积神经网络；单幅图像超分辨；增强预测 中图分类号：TN919.81 文献标识码：A 文章编号：1674-6236（2019）06-0064-05 Improvementsofsuper⁃resolutionalgorithmsbasedondeeplearning GAOFei，LEITao （InstituteofOpticsandElectronics，ChineseAcademyofSciences，Chengdou601209，China） Abstract: Recentyearsthedeepconvolutionalneuralnetworkshasachievedunprecedentedsuccessin singleimagesuperresolution（SISR）.However，duetotheill-poseofthesuperresolutionproblem，there aremanyimprovementstobedonetogetabetterhighresolutionimageinasinglelowresolutionimage. Ourworkmainlyhavetwoimprovementsonsingleimageresolution:firstly，weaddanenhancement predictionmethodtoaSRCNNmodel，getaimprovedaveragePSNRresultonSet5 forabout 0.3dB comparedwiththeSRCNNmodel；secondly，wereplacethefirst5*5convolutionallayerofFSRCNNtoa combinationoftwo 3*3 convolutionallayers，whichalsohelpusgetaimprovedaveragePSNRonSets5 forabout0.3dBcomparedwiththeFSRCNNmodel. Keywords: deeplearning；convolutionalneuralnetwork；singleimagesuperresolution；enhancement prediction 超分辨率重建技术就是用一组低质量，低分辨 辨的过程相当于将低维图像空间映射到高维图像空 [1] 率图像来产生高质量，高分辨率图像 ，图像分辨率 间，这种模型的欠定性决定了超分辨的过程是一个